AHORA
Nuevo proyecto de Ley de Protección de Datos Personales en Argentina: análisis completo Colombia actúa donde Argentina falla: la SIC sanciona a empresa por filtración Microsoft patches récord: 570 vulnerabilidades corregidas en julio 2026 DGL Talent: primera firma de talento en datos, privacidad y ciber de LATAM Nuevo proyecto de Ley de Protección de Datos Personales en Argentina: análisis completo Colombia actúa donde Argentina falla: la SIC sanciona a empresa por filtración Microsoft patches récord: 570 vulnerabilidades corregidas en julio 2026 DGL Talent: primera firma de talento en datos, privacidad y ciber de LATAM

Palo Alto Networks compra Applied Compute por USD 4500 millones — la apuesta por entrenar y alojar modelos de IA propios

El fabricante de firewalls invierte en capacidad de cómputo GPU para ofrecer modelos de peso abierto entrenados y supervisados internamente, en un movimiento que lo coloca como proveedor de infraestructura de IA además de seguridad.
Análisis

El fabricante de firewalls invierte en capacidad de cómputo GPU para ofrecer modelos de peso abierto entrenados y supervisados internamente, en un movimiento que lo coloca como proveedor de infraestructura de IA además de seguridad.

Palo Alto Networks acordó adquirir Applied Compute en una transacción de acciones valuada en USD 4500 millones, con cierre esperado entre febrero y abril de 2027. La operación incorpora una plataforma especializada en post-entrenamiento e inferencia de modelos de IA de peso abierto, junto con el equipo de investigación de la startup. Yash Patil, cofundador y CEO de Applied Compute, asumirá como co-chief AI officer de Palo Alto Networks. La compañía anunció además que construirá más de 100 megawatts de capacidad de cómputo en los próximos tres a cinco años, con inversión concentrada en GPUs y servidores, para entrenar y alojar modelos propios destinados a clientes empresariales.

El giro hacia la infraestructura: de proteger modelos ajenos a entrenarlos

Nikesh Arora, chairman y CEO de Palo Alto Networks, declaró en la llamada de resultados del primer trimestre fiscal 2027 que la compañía no solo integrará IA en sus productos de seguridad, sino que ayudará a entrenar y servir implementaciones soberanas seguras de modelos de peso abierto para empresas. Arora sostuvo que el tráfico de tokens de modelos de peso abierto creció de menos del 5% a más del 60% en el último año, sin especificar la fuente de la cifra. El ejecutivo argumentó que los controles de seguridad determinísticos no pueden anticipar cada escenario que un agente de IA ejecutará, y que las empresas que construyen aplicaciones de IA deberán entrenar un modelo de IA supervisor al mismo tiempo, porque Palo Alto no puede asegurar modelos en cuya construcción no participó. La lógica expuesta es que sin acceso al proceso de entrenamiento, la compañía no puede interceptar ni comprender el comportamiento de una aplicación ajena.

La crítica del analista: quién supervisa al supervisor

Sanchit Vir Gogia, chief analyst en Greyhound Research, reconoció que Arora tiene un punto válido en cuanto a que un filtro genérico no puede conocer cómo debe comportarse una aplicación particular. Sin embargo, Gogia señaló que la mayoría de las fallas en aplicaciones de IA ocurren en tiempo de ejecución, a través de prompts, herramientas y permisos, independientemente de quién entrenó el modelo. Recordó que Palo Alto Networks ha vendido protección agnóstica de modelos a través de Prisma AIRS desde 2025. Gogia planteó que un supervisor entrenado por las mismas manos que el sistema que supervisa es un colega, no un control, y recomendó a los CIOs asegurarse de que alguien distinto al entrenador pruebe el resultado. La observación apunta a un riesgo de concentración: si el mismo proveedor entrena el modelo y el sistema que lo vigila, un error de diseño o una falla de seguridad en el proceso de entrenamiento afectaría ambas capas sin detección externa.

Soberanía de datos sin dirección: la promesa de hosting regional sin región nombrada

Dipak Golechha, CFO de Palo Alto Networks, indicó que el gasto en capacidad de cómputo se destinará principalmente a GPUs y servidores, con una porción menor para las instalaciones que los alojen. La compañía continuará obteniendo recursos de sus socios de nube y agregará capacidad dedicada con el tiempo. Arora afirmó que el objetivo es superar los 100 megawatts de cómputo en los próximos tres a cinco años, y sugirió que el negocio de entrenamiento e inferencia podría eventualmente exceder el mercado central de Palo Alto. Gogia observó que Palo Alto tiene credenciales de soberanía para datos de seguridad, incluyendo claves retenidas por el cliente y un servicio Cortex europeo gobernado por Deutsche Telekom, pero que nada de eso se extiende aún a GPUs. Señaló que un operador con sede en Estados Unidos enfrenta las mismas cuestiones jurisdiccionales que los hiperscaladores de los que alquila capacidad. Gogia caracterizó una oferta de hosting soberano sin región nombrada, operador ni fecha como una promesa buscando una dirección, y recomendó a los oficiales de cumplimiento solicitar a Palo Alto una lista de regiones, el operador y un plan de certificación con fechas.

El riesgo de consolidación para clientes de Applied Compute y empresas latinoamericanas

La adquisición sigue a la compra de CyberArk por USD 25 mil millones, que agregó seguridad de identidad a la plataforma de Palo Alto. Gogia señaló que Applied Compute ahora añadiría los modelos mismos a un proveedor ya central en los firewalls, SOC y controles de identidad de muchos clientes. Describió la situación como pedirle a las empresas que dejen que el guardia construya la bóveda que custodia. Reconoció que un equipo observando tanto el modelo como la telemetría puede detectar problemas antes, pero advirtió que una sola falla, brecha o disputa de precios recaería sobre la protección y lo protegido juntos. Recomendó a los CIOs obtener una salida con costos definidos por escrito antes de que cualquier trabajo de modelo se traslade, y a los clientes de Applied Compute usar los meses previos al cierre para asegurar propiedad de pesos entrenados en formato exportable, prohibición de entrenamiento con sus datos sin consentimiento, derecho a salir ante cambio de control y protección de precios que sobreviva al empaquetamiento. Para empresas en América Latina que dependen de Palo Alto para firewall, SIEM o gestión de identidad, la consolidación plantea una pregunta de riesgo operacional: si un incidente de seguridad o una interrupción de servicio afecta a Palo Alto, ahora podría comprometer simultáneamente la infraestructura de red, la plataforma de identidad y los modelos de IA en producción, sin proveedor alternativo en ninguna de esas capas. Sectores regulados en Brasil, México y Argentina, donde los requisitos de soberanía de datos están en evolución, enfrentan además la incertidumbre de si la capacidad de cómputo prometida incluirá regiones locales o si dependerá de jurisdicciones extranjeras sin marco legal claro.

Nuestro análisis

La adquisición de Applied Compute marca un cambio de modelo de negocio para Palo Alto Networks: de vender herramientas de seguridad que protegen infraestructura ajena, a operar la infraestructura misma. El movimiento tiene precedente en la convergencia de proveedores de nube y seguridad, pero la escala de la inversión en capacidad de cómputo GPU y la ambición declarada de que el negocio de entrenamiento e inferencia supere el mercado de seguridad tradicional indican una apuesta estratégica mayor. La cifra de crecimiento de tráfico de tokens de modelos de peso abierto de menos del 5% a más del 60% en un año, si se sostiene en datos representativos, sugiere una migración acelerada de empresas hacia modelos que pueden ser ajustados y alojados internamente, en contraste con APIs de modelos cerrados de OpenAI, Anthropic o Google. Sin embargo, la ausencia de regiones nombradas, operadores de hosting y fechas de certificación en el anuncio deja sin respuesta la pregunta central para clientes sujetos a regulaciones de residencia de datos: dónde estarán físicamente esos 100 megawatts de capacidad y bajo qué jurisdicción operarán.

El argumento de Arora sobre la necesidad de entrenar modelos supervisores internamente para asegurar aplicaciones de IA tiene lógica técnica, pero introduce un riesgo de diseño: si el mismo equipo entrena el modelo de producción y el modelo que lo supervisa, ambos heredan los mismos sesgos, limitaciones de datos de entrenamiento y posibles vulnerabilidades de arquitectura. La crítica de Gogia sobre que un supervisor entrenado por las mismas manos es un colega, no un control, apunta a un principio de seguridad establecido: la separación de funciones. En auditoría de sistemas, el que construye no es el que prueba. En este caso, Palo Alto propone ser constructor, probador y operador simultáneamente. Para clientes que ya consolidaron firewall, SIEM, gestión de identidad y ahora modelos de IA en un solo proveedor, la pregunta no es si la integración mejora la detección de amenazas — probablemente lo haga —, sino qué pasa cuando ese proveedor único falla, sufre una brecha o cambia sus términos comerciales. La recomendación de Gogia de asegurar términos de salida y propiedad de pesos entrenados antes del cierre de la transacción es operacionalmente sensata, pero históricamente poco común: pocos clientes negocian cláusulas de salida detalladas en contratos de servicios de IA antes de que el proveedor cambie de manos.

¿Qué pasaría si un incidente de seguridad en la infraestructura de Palo Alto comprometiera simultáneamente los modelos de IA en producción, los controles de identidad y los firewalls de un cliente, sin proveedor alternativo disponible en ninguna de esas capas?

Publicidad728×90 — In-Article
Publicidad300×250 — Medium Rectangle

El briefing semanal

Seguridad, privacidad e IA en LATAM. Curado por expertos, gratis cada semana.

Publicidad300×600 — Half Page
Publicidad970×90 — Leaderboard